Misura delle fasi del passo tramite algoritmi di machine learning durante camminate in esterna assistite da esoscheletro

Negli ultimi anni si è assistito ad uno sviluppo sempre maggiore di dispositivi robotici indossabili (esoscheletri) per il supporto degli arti inferiori, che permettono ad utilizzatori paraplegici di tornare a camminare. L’utilizzo di questi esoscheletri è purtroppo spesso limitato all’interno di laboratori specializzati muniti di diversi tipi di trasduttori per l’analisi della cinematica e della dinamica della camminata assistita. È noto che le performance nell’utilizzo di questi esoscheletri migliora notevolmente quando il paziente cammina in un ambiente maggiormente “user-friendly” quale ad esempio l’ambiente esterno. Secondo questa logica, durante gli scorsi anni, sono state sviluppate all’interno del nostro gruppo di ricerca delle stampelle strumentate in grado di misurare sia il carico scambiato tra stampella e piano d’appoggio della stessa, sia la fase del passo (stance o swing) in cui si trova l’utilizzatore dell’esoscheletro. In questo modo il fisioterapista è in grado di valutare la qualità della camminata del paziente in relazione alla fase del passo che sta attualmente svolgendo. L’algoritmo di misura della fase del passo è stato validato in un ambiente interno mostrando risultati incoraggianti: si è ottenuta una accuratezza di classificazione pari all’85% (deviazione standard pari al 3%). La presente memoria descrive la procedura di validazione dell’algoritmo per la misura delle fasi del passo durante prove di camminata assistite svolte in ambiente esterno, in diverse condizioni